人脸检测作为人脸信息处理中的一项关键技术,近年来成为计算机视觉领域内一项受到普遍重视、研究十分活跃的研究方向,并在不同领域中广泛应用。针对目前非受限环境下人脸检测平均精度较低的问题,本文通过分析和研究单步骤人脸检测模型,提出其优化方案并提升了多尺度人脸检测性能。首先,本文介绍了六种典型的人脸检测模型,对其基本原理及网络架构做了详细的描述。为了进一步提高模型对人脸特征的学习能力,本文选取SSH模型作为基础模型用于缓解小尺寸人脸检测平均精度较低的问题;其次,本文提出多尺度人脸检测方法,考虑到上下文信息对人脸定位与回归的重要性,在卷积神经网络VGG-16的最后一个卷积层后加入用单位矩阵初始化的递归神经网络模块,用于提取人脸的上下文信息;在原层融合的基础上,采取更多层融合方案,并为不同层分配权重,提升了模型对人脸的检测性能;然后,针对非受限环境下人脸遮挡问题,在最后检测器输出锚点融合时应用软非极大值抑制算法,实验过程中,选取了最佳的分数重置函数和最优参数,从而缓解了某些遮挡人脸无法被检测的问题。最后,为了验证本文方法的有效性,在WIDER FACE数据集上做多尺度人脸检测实验,结果显示本文所提模型较原SSH模型分别在WIDER FACE数据集“简单”、“中等”和“困难”子集上平均精度分别提升0.2%、0.5%和2.0%。同时,在SoF数据集上做光照和遮挡实验,图片测试结果显示改进模型较原SSH模型定位更准确。本文所提方法通过加入用单位矩阵初始化的递归神经网络模块、应用更多层融合方案以及软非极大值抑制算法,能有效提高多尺度人脸检测的平均精度,并整体提升非受限环境下多尺度人脸检测性能。